Вот вам ещё ОКР-контент.
Понял, что стол в мастерской очень быстро заваливается вещами, которые, вроде как, нужны под рукой, поэтому прятать их в ящик неудобно. Сначала решил купить для упорядочивания канцелярский органайзер, но очень быстро уперся в недостаточную гибкость и неподходящие размеры как самих органайзеров, так и ячеек в них.
В этом проекте попробовал две новые для себя фишки 3D-печати: длинные мосты и разглаживание.
Чисто формально каждый новый слой при печати должен лежать на предыдущем. Если геометрия модели не подходит для этого, то печатается поддержка: специальная искусственная хрупкая башенка от стола до того места, где у детали нависание. Но если у нависания с двух сторон есть опорная часть детали, то настоящая физика нередко позволяет нам протянуть ниточку пластика прямо по воздуху горизонтально без поддержек. Это называется мостом. Нить охлаждается и твердеет сразу в процессе вытягивания, что чисто в теории не даёт ей провиснуть. У меня мостами сделаны ниши для выдвижных ящичков: поддержки там потребовались на ребре и небольшая полоска по центру. Качество поверхности так себе, но геометрия сохранилась, что и нужно было. Получилось, правда, со второго раза. Этот манёвр (неудачная попытка) стоил мне половину катушки. Но всё равно рекомендую.
Разглаживание — специальная механика, с помощью которой горящее сопло водит по поверхности и размазывает пластик, из-за чего поверхность становится чуть более плоской и глянцевой. Я пробовал такой метод для улучшения прозрачности стенок ящичков, но, к сожалению, эффекта это не дало. Полагаю, что более прозрачные крышки можно было бы напечатать только на стекле. И ещё из-за разглаживания пластик забил термобарьер, так что пришлось впервые разбирать голову у нового принтера, благо, это делается не слишком сложно. Но всё равно не рекомендую.
#life#diy#окр
Image to Text OCR is a utility website made by Alejandro Akbal for extracting text from any image using #OCR.
This tool was made for those moments where you take a photo of some text and wish you could have it digitally.
https://github.com/AlejandroAkbal/Image-to-Text-OCR
Online: https://image-to-text-ocr.netlify.app/
🦉 LightOnOCR-1B: новая быстрая OCR-модель от LightOn
Модель дистиллирована из Qwen2-VL-72B-Instruct и обучена на корпусе из 17.6 млн страниц / 45.5 млрд токенов.
🔥 Главное:**
-1 B параметров
- позволяет обрабатывать 5.7 страниц/с на одном H100 (это примерно ≈ 493 000 страниц за день)
- Распознаёт таблицы, формы, уравнения и сложные макеты
- 6.5× быстрее dots.ocr, 1.7× быстрее DeepSeekOCR
- Расходы < $0.01 за 1000 страниц A4
📊 Качество (Olmo-Bench):
- Превосходит DeepSeekOCR
- Сопоставима с dots.ocr (при этом модель в 3 раза меньше по весу)
- +16 пт к Qwen3-VL-2B-Instruct
Эта моделька - отличный баланс качества, скорости и стоимости.
🟢Модель 1B: https://huggingface.co/lightonai/LightOnOCR-1B-1025
🟢Модель 0.9B (32k): https://huggingface.co/lightonai/LightOnOCR-0.9B-32k-1025)
🟢Блог LightOn:https://huggingface.co/blog/lightonai/lightonocr
🟢Демка: https://huggingface.co/spaces/lightonai/LightOnOCR-1B-Demo
@ai_machinelearning_big_data
#ocr#ml
📄 DeepSeek-OCR - модель для распознавания текста 🔍
DeepSeek выпустили мощную OCR-модель, способную преобразовывать изображения документов прямо в Markdown или текст.
Что умеет:
- Распознаёт текст на изображениях и в PDF
- Работает с документами, таблицами и сложными макетами
- Поддерживает разные режимы: Tiny, Small, Base, Large
- Оптимизирована под GPU (PyTorch + CUDA 11.8)
- MIT-лицензия — можно свободно использовать и модифицировать
DeepSeek-OCR достигает высокой точности и эффективности за счёт компрессии визуальных токенов. На Omnidocbench - лучшая точность при минимуме визуальных токенов, превосходит другие OCR-модели по эффективности и скорости.
🟠HF: https://huggingface.co/deepseek-ai/DeepSeek-OCR
🟠Github: https://github.com/deepseek-ai/DeepSeek-OCR
🟠Paper: https://github.com/deepseek-ai/DeepSeek-OCR/blob/main/DeepSeek_OCR_paper.pdf
@ai_machinelearning_big_data
#ocr#DeepSeek